数据标注
文本、图像、音频与多模态数据的分类、抽取、审核和质量校验。
OUR POINT OF VIEW
01 — DATA FIRST
01 — DATA FIRST
好模型从好数据开始。
把每一条信息放进清楚的语境里，模型才能学得明白。
我们把什么
做扎实？
THREE CAPABILITIES
一套可讨论、可复核的工作方法
DEFINE THE LABELS
大模型语料
面向训练场景整理多语种语料，按模型任务需要建立清晰结构。
评测与安全对齐
整理偏好比较、能力评估与安全相关数据，支持模型持续迭代。
SCENARIO ARCHIVE / 08 CONCEPT PROJECTS
数据的用法，
不止一种。
从对话到文档，从语音到多模态。用一组场景化案例，展开数据服务可以如何组织。
案例展厅：以下机构名称、标志与项目均为创作示例，用于说明服务场景，不代表真实客户、合作关系或已完成业绩。
纸舟研究组PAPERBOAT
栎序文档实验室OAKINDEX
回声湾语音工坊ECHOBAY
帧屿视觉小组FRAMEISLE
衡尺评测工作室EVENRULER
棱镜护栏实验室PRISMGUARD
译叶语言小组LEAFLINGO
任务栈智能体工坊TASKSTACK
SCENARIO / A01项目示例
多语种助手指令语料
围绕日常问答、知识解释和多轮对话，设计指令、回答与上下文之间的结构化关系。
- WORKFLOW / 处理要点
- 意图分层、上下文保留、回答格式归一
- DELIVERABLE / 样例字段
- 指令、输入、回答、主题标签
CONCEPT TEAM: PAPERBOAT · SYNTHETIC EXAMPLE · 非真实客户合作
SCENARIO / A02项目示例
长文档检索与证据标注
模拟企业文档检索任务，组织问题、文档片段与证据位置，强调答案出处的可定位性。
- WORKFLOW / 处理要点
- 文档切分、相关性判断、证据定位
- DELIVERABLE / 样例字段
- 问题、段落、证据区间、相关性等级
CONCEPT TEAM: OAKINDEX · SYNTHETIC EXAMPLE · 非真实客户合作
SCENARIO / A03项目示例
语音转写与对话整理
以客服录音的合成场景为例，展示说话人区分、口语整理和对话摘要的标注链路。
- WORKFLOW / 处理要点
- 时间戳校对、转写规范、敏感字段替换
- DELIVERABLE / 样例字段
- 转写文本、角色、时间段、摘要
CONCEPT TEAM: ECHOBAY · SYNTHETIC EXAMPLE · 非真实客户合作
SCENARIO / A04项目示例
图文理解与目标描述
模拟图片描述、属性抽取和视觉问答，示范图像内容与文字指令的对应方式。
- WORKFLOW / 处理要点
- 实体归类、关系描述、描述一致性检查
- DELIVERABLE / 样例字段
- 图像引用、问题、描述、目标标签
CONCEPT TEAM: FRAMEISLE · SYNTHETIC EXAMPLE · 非真实客户合作
SCENARIO / A05项目示例
模型回答偏好比较
构造同题多回答样例，按相关性、完整性和表达清晰度组织比较标注。
- WORKFLOW / 处理要点
- 评分维度拆分、偏好解释、分歧记录
- DELIVERABLE / 样例字段
- 候选回答、偏好标签、理由、维度评分
CONCEPT TEAM: EVENRULER · SYNTHETIC EXAMPLE · 非真实客户合作
SCENARIO / A06项目示例
安全边界与拒答评测
用合成输入覆盖正常请求、边界请求与不适当请求，展示安全评测样例结构。
- WORKFLOW / 处理要点
- 风险分类、预期行为定义、边界复核
- DELIVERABLE / 样例字段
- 请求、风险类别、预期响应、评测备注
CONCEPT TEAM: PRISMGUARD · SYNTHETIC EXAMPLE · 非真实客户合作
SCENARIO / A07项目示例
跨语言语料清洗与对齐
模拟双语内容的配对工作，标注语义一致性、术语对应和混杂语言等问题。
- WORKFLOW / 处理要点
- 去重、语言校验、句对对齐、术语核对
- DELIVERABLE / 样例字段
- 原文、译文、语言码、对齐标签
CONCEPT TEAM: LEAFLINGO · SYNTHETIC EXAMPLE · 非真实客户合作
SCENARIO / A08项目示例
工具调用与任务规划
围绕日历、搜索与信息提取的合成任务，演示工具选择和参数结构的标注。
- WORKFLOW / 处理要点
- 任务分步、参数校验、调用结果检查
- DELIVERABLE / 样例字段
- 任务、工具名、参数、步骤、预期结果
CONCEPT TEAM: TASKSTACK · SYNTHETIC EXAMPLE · 非真实客户合作
FROM BRIEF
TO DATA
TO DATA
先弄清目标
沟通数据用途、内容范围和交付要求。
一起定规则
建立标注指南、质量标准和复核方式。
整理好交付
按约定结构完成数据整理、校验和交付。
SYNTHETIC DATA INDEX / 24 SAMPLE TASKS
语料样例，
展开来看。
24 项合成任务索引，展示不同数据需求的组织方式。所有条目为演示，不代表现有库存、实际交付或真实数据集。
| 样例编号 | 任务方向 | 合成场景说明 | 字段结构示意 | 格式示意 |
|---|---|---|---|---|
| MT-DEMO-001 | 意图分类文本 / 合成示例 | 将「帮我改到下周三」归为日程变更 | 意图 / 领域 / 槽位 | JSONL |
| MT-DEMO-002 | 实体抽取文本 / 合成示例 | 标记示例句中的组织名、地点与时间 | 实体 / 起止位置 / 类别 | JSONL |
| MT-DEMO-003 | 情感与立场文本 / 合成示例 | 区分观点态度与文本表达的情绪 | 情感 / 立场 / 理由 | CSV |
| MT-DEMO-004 | 多轮对话文本 / 合成示例 | 保留问题指代与前文约束 | 轮次 / 角色 / 上下文 | JSONL |
| MT-DEMO-005 | 文档问答文本 / 合成示例 | 为问题匹配对应段落与答案出处 | 问题 / 证据 / 答案 | JSONL |
| MT-DEMO-006 | 长文摘要文本 / 合成示例 | 提炼会议记录中的行动事项 | 摘要 / 决策 / 待办 | JSONL |
| MT-DEMO-007 | 双语对齐文本 / 合成示例 | 检查示例句对是否表达同一含义 | 源语言 / 目标语言 / 对齐 | TSV |
| MT-DEMO-008 | 术语归一文本 / 合成示例 | 将不同写法映射到统一术语 | 原词 / 标准词 / 语境 | CSV |
| MT-DEMO-009 | 图像分类视觉 / 合成示例 | 区分合成商品图片的主题类别 | 图像引用 / 类别 | JSON |
| MT-DEMO-010 | 目标属性视觉 / 合成示例 | 组织颜色、材质与相对位置描述 | 实体 / 属性 / 位置 | JSON |
| MT-DEMO-011 | 视觉问答视觉 / 合成示例 | 为示意图片编写问题与参考回答 | 图片 / 问题 / 回答 | JSONL |
| MT-DEMO-012 | 图文匹配视觉 / 合成示例 | 判断示例描述与图片是否对应 | 图像引用 / 文本 / 匹配 | JSONL |
| MT-DEMO-013 | 语音转写语音 / 合成示例 | 将模拟音频任务拆为带时间的片段 | 起止时间 / 转写 / 备注 | JSON |
| MT-DEMO-014 | 说话人区分语音 / 合成示例 | 区分示例对话中的不同角色 | 片段 / 说话人 / 轮次 | JSON |
| MT-DEMO-015 | 音频事件语音 / 合成示例 | 标注模拟环境声的事件类别 | 时间段 / 声音标签 | CSV |
| MT-DEMO-016 | 口语整理语音 / 合成示例 | 保留语义并清理示例文本中的口头词 | 原转写 / 整理稿 / 备注 | JSONL |
| MT-DEMO-017 | 回答比较评测 / 合成示例 | 比较两个合成回答的任务完成程度 | 回答A / 回答B / 偏好 | JSONL |
| MT-DEMO-018 | 事实一致性评测 / 合成示例 | 检查回答是否受给定材料支持 | 主张 / 证据 / 一致性 | JSONL |
| MT-DEMO-019 | 安全分类评测 / 合成示例 | 按预设风险维度整理示例请求 | 请求 / 风险标签 / 说明 | JSONL |
| MT-DEMO-020 | 拒答边界评测 / 合成示例 | 描述模拟请求对应的预期处理方式 | 请求 / 预期行为 / 理由 | JSONL |
| MT-DEMO-021 | 工具选择智能体 / 合成示例 | 为任务匹配搜索或日历工具 | 任务 / 工具 / 理由 | JSONL |
| MT-DEMO-022 | 参数提取智能体 / 合成示例 | 从示例请求中提取日期和关键词 | 工具名 / 参数 / 校验 | JSON |
| MT-DEMO-023 | 任务分解智能体 / 合成示例 | 把合成复杂请求拆成可执行步骤 | 目标 / 步骤 / 依赖 | JSONL |
| MT-DEMO-024 | 结果复核智能体 / 合成示例 | 判断模拟工具结果是否满足请求 | 任务 / 结果 / 检查项 | JSONL |
没有匹配的样例，请尝试其他关键词或分类。
可按类别筛选，或搜索任务名称、样例编号与字段。
显示 24 / 24 项 · 全部为合成演示样例
WORKING PRINCIPLES / PROJECT BY PROJECT
细节很多，
标准要清楚。
这些是项目沟通时需要逐项确认的工作维度，具体流程与交付范围以实际约定为准。
口径先行
把标注对象、标签定义、正反例和边界情形写清，减少同一内容的不同理解。
结构明确
讨论字段、编码、分割粒度与版本信息，让交付数据适配实际训练流程。
复核可讨论
提前约定抽样、分歧处理和验收方式，让质量要求落实到具体检查项。
边界有约定
明确素材来源、数据使用范围、敏感字段处理及访问要求。
BEFORE WE START
合作前，你可能想了解。
还没有完整标注规范，可以先聊吗？
可以。请提供目标任务、内容类型、预期格式及少量可分享的样例，双方可据此讨论标签定义和任务边界。
目录中的样例能直接作为数据集采购吗？
此处为合成的结构展示，不是可采购的库存清单。具体语种、来源、数量、授权、处理流程和交付形式需要按项目确认。
如何开始一个数据项目？
发送邮件至 official@midsummer.work，说明数据用途、任务类型、语言范围、交付要求与时间安排，即可开始需求沟通。
中夏词元科技有限公司 · 大模型数据服务